El principal desafío en el diagnóstico de fallas de máquinas rotativas es el monitoreo de la condición de máquinas que están operando de manera no estacionaria. Una posible forma de manejar eficientemente esta situación es utilizar el método de aprendizaje profundo (DL). Sin embargo, la mayoría de los métodos de DL tienen dificultades cuando surge el problema de conjuntos de datos desequilibrados. Este artículo propone un marco novedoso para mitigar este problema mediante el desarrollo de un método de muestreo basado en métricas de área. En el proceso propuesto, el nuevo esquema de muestreo puede identificar qué ubicaciones de los conjuntos de datos pueden tener un alto grado de sorpresa. La idea básica del método propuesto es que siempre que se observen desviaciones significativas de las métricas de área, se deben poblar más puntos de muestra. Además, para mejorar la precisión del entrenamiento del método DL, los conjuntos de datos muestreados obtenidos se transforman en un escalograma basado en la transformada wavelet continua (CWT) que representa el componente tiempo-frecuencia. La red neuronal convolucional dilatada (CNN) también se introduce como un proceso de clasificación con las imágenes alteradas. La eficacia del método propuesto se demuestra con problemas de diagnóstico de fallas para robots de soldadura. Los resultados obtenidos también se comparan con métodos existentes.